INTRODUCCION A LA SIMULACION

¿QUE ES SIMULACION?

Simular es imitar la operación de un proceso o sistema real. Implica la generación de una historia
“artificial” del sistema y mediante observación de esa historia se realizan inferencias de las
características y desempeños del sistema en estudio. Con base en esta definición y en lo explicado en
párrafos anteriores, se puede afirmar que la simulación debe utilizarse con los siguientes propósitos:

 Estudiar y experimentar con las interacciones de un sistema complejo.

 Observar el efecto de las alteraciones al sistema en el modelo.
 Tener conocimiento del comportamiento del sistema.
 Experimentar nuevas políticas o nuevos diseños antes de su implementación.
 Determinar requerimientos de capacidad.
 Entrenamiento y aprendizaje.

Sin embargo, deben tenerse presentes aquellas circunstancias en las cuales no sería conveniente la
aplicación de la simulación como metodología de estudio de los sistemas, a saber:

 El problema puede resolverse por sentido común.

 El problema puede ser abordado y resuelto analíticamente.
 Es más fácil realizar experimentación directa.
 No hay tiempo o recursos para realizar los estudios.
 No hay datos disponibles.

Dentro de las tareas de aplicación mas relevantes de la simulación se pueden enumerar:

 Industria manufacturera.
 Construcción y administración de proyectos.
 Industria militar.
 Logística, cadena de abastecimiento y distribución.
 Transporte.
 Procesos de negocio
 Servicios de salud
 Redes de telecomunicaciones
 Análisis de call centers

Terminología básica:

 Sistemas: grupo de objetos que relacionados entre si ordenadamente contribuyen al

cumplimiento de determinado objetivo, por ejemplo, una línea de producción, una oficina
bancaria, etc.
 Entidad: Un objeto de interés en el sistema, por ejemplo, una pieza de la línea de producción.
  Atributo: un rasgo o característica de la entidad.
 Estado del sistema: conjunto de variables necesarias para describir el sistema en cualquier
momento.
 Evento: suceso que puede cambiar el estado del sistema.
 Recurso: objeto del sistema que transforma o presta servicio a la entidad.
 Sistema discreto: aquel donde la variable de estado cambia en un conjunto discreto de puntos
en el tiempo por ejemplo el número de clientes disminuye en una oficina bancaria si un cliente
ya termina su transacción y sale de la instalación en el instante t. Por lo tanto, dicha oficina
podría considerarse un sistema discreto.
 Sistema continuo: aquel donde la variable de estado cambia continuamente en el tiempo, por
ejemplo, el nivel de agua de una represa.

Tipos de modelos de simulación

1. Según la naturaleza de los parámetros:

Determinísticos: los datos de entrada son conocidos con plena certeza.
Estocásticos: los datos tienen un grado de incertidumbre tal que deben ser manejados como
variables aleatorias.
2. Según el carácter evolutivo del modelo:
Estáticos: el modelo evoluciona son tener en cuenta los cambios que genera el paso del tiempo.
(Simulación Monte Carlo).
Dinámicos: las variables de estado cambian en la medida que el tiempo transcurre.
3. Según el tipo de variable de estado:
Discretos: la variable de estado cambia en un conjunto discreto de puntos.
Continuos: la variable de estado cambia continuamente en el tiempo.

Cabe aclarar que, según esta tipificación, el enfoque de este modulo esta encaminado hacia el diseño y
la construcción de módulos estocásticos, dinámicos y discretos, características fundamentales del
paradigma de la simulación de eventos discretos.

PASOS DE UN ESTUDIO DE SIMULACION:

Como se menciono inicialmente, el modelaje incluido el de simulación, es una actividad complicada que
combina arte y ciencia. Sin embargo, desde una óptica mas general, el proceso para llevar a acabo un
estudio de simulación se puede resumir en los siguientes pasos:

1. Formulación del problema. Este primer paso consiste esencialmente en el análisis del sistema y
definición del problema a resolver.
2. Fijación de los objetivos. En esta fase, se define el alcance del estudio y las fronteras del
problema que va a ser abordado. Es decir, debe determinarse cuales instancias del problema se
van a estudiar y solucionar.
3. Conceptualización del modelo. En esta etapa se incluyen actividades tales como la identificación
de los parámetros de entrada, las medidas de desempeño de interés, establecimiento de las
relaciones entre los parámetros y variables. La información aquí se puede representar en
diagramas de flujo o arboles jerárquicos.
4. Recolección de información. Es una de las fases mas importantes y criticas del estudio, ya que
producto de esta etapa esta la estimación d ellos parámetros de entrada del modelo, y
 dependiendo de la calidad de la información recogida, está el éxito de los resultados del
modelo. En esta fase el analista hace presunciones sobre las distribuciones de probabilidad de
los datos recolectados y luego, a través de pruebas de hipótesis, corrobora o rechaza los
supuestos planteados.
5. Construcción del modelo. Una vez el problema ha sido analizado y la información procesada, se
procede a construir el modelo e implementarlo en un programa computacional. Este programa
puede ser un lenguaje de programación general (C++, Visual Basic, Java, entre otros) o un
software especializado de simulación (Arena, Promodel, ExtendSim, entre otros).
6. Verificación del modelo. El propósito de esta fase consiste en asegurarse que el modelo esta
diseñado y construido correctamente, Esta verificación es una labor delicada de inspección y
radica en la comparación del código de modelo con la especificación de este.
7. Validación del modelo. La validación examina el grado de ajuste del modelo con los datos
empíricos del sistema. Es decir, compara el desempeño del modelo con la información real
arrojada por el sistema en estudio.
8. Diseño de experimentos. Una vez validado y calibrado el modelo, el analista procede con la
planeación y el diseño de las experimentaciones que se llevaran a cabo sobre el modelo de
simulación. En esta etapa se definen los distintos escenarios en los cuales se va a analizar el
desempeño del modelo, así como el numero de replicas o corridas que se ejecutaran con el
propósito de garantizar la confiabilidad del estudio.
9. Corridas y análisis de resultados. En esta fase se ejecutan las corridas oficiales del modelo, cuyos
resultados serán el objeto de análisis, de naturaleza estadística principalmente. Una actividad
típica de esta fase consiste en la determinación de la mejor alternativa mediante la comparación
de los desempeños de todas las alternativas estudiadas.
SIMULACION DE MONTECARLO:

La simulación de Montecarlo es una técnica cuantitativa que hace uso de muestreos estadísticos para
imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos.

Generalmente en estadísticas, los modelos aleatorios se usan para simular fenómenos que poseen algún
componente aleatorio. Pero en la Simulación de Montecarlo el objeto de la investigación es el objeto en
si mismo, es decir, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo-

La clave de la Simulación de Montecarlo consiste en crear modelo matemático del sistema, proceso o
actividad que se quiere analizar, identificando:

 Variables de entrada (Inputs del modelo): son aquellas cuyo comportamiento aleatorio
determina el comportamiento global del sistema. Se utilizan por medio de la Generación de
números y variables aleatorias.
 Variables de resultados (Outputs del modelo): son aquellas que dependen de las variables
aleatorias y que sirven para medir el desempeño del sistema que se esta modelando. Se debe
tener en cuenta que, estas variables dependen del comportamiento aleatorio de las variables de
entrada, por lo que su resultado siempre será aleatorio.
 Resultados de la simulación (Experimento): analizar el comportamiento del sistema ante los
valores generados. El objetivo es repetir n veces el experimento obteniendo n observaciones
 sobre el comportamiento del sistema. Los resultados serán mas precisos cuanto mayor sea el
numero n de experimentos que llevemos a cabo.

La simulación de Montecarlo se puede utilizar de acuerdo con los siguientes algoritmos:

 Simulación de Montecarlo Pura: esta fundamentada en la generación de números aleatorios por

el método de transformación inversa, el cual se basa en las distribuciones acumuladas de
frecuencias. Dicho tema se vera mas adelante.
 Combinación de Variables Aleatorias: cuando el resultado de la simulación se da por la
combinación de las VA, se debe realizar y verificar:

-Desarrollar un modelo conceptual o lógico de decisión

-Construir un modelo, especificando la relación entre las variables y las distribuciones de
probabilidad para las variables aleatorias.
-Verificar y validar el modelo.
-Diseñar experimentos utilizando el modelo.
-Analizar los resultados y concluir.

Las principales características a tener en cuenta para la implementación o utilización de la SMC son:

 El sistema debe ser descrito por 1 o más funciones de distribución de probabilidad (FP)
 Las técnicas de generación de Números aleatorios o pseudo-aleatorios debe ser correcta y no
debe existir correlación entre los valores muestrales.
 Establecer limites y reglas de muestreo para las FP, es decir, se debe definir que valores pueden
adoptar las variables aleatorias.
 Estimación del error (¿Con que error trabajamos? ¿Cuánto error podemos aceptar para que una
corrida sea válida?)

A continuación, se presentan dos ejemplos de simulación de Montecarlo:

Ejemplo 1: Simulación de Montecarlo Pura: se tiene la siguiente distribución de probabilidades para una
demanda aleatoria (diaria) y queremos ver que sucede con el promedio de la demanda en varias
iteraciones:

Unidades Frecuencia Frecuencia Acumulada

42 0.1 0.1
45 0.2 0.3
48 0.4 0.7
51 0.2 0.9
54 0.1 1

Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada día:

Interacción Numero Aleatorio (R) Valor de la Demanda

1 0.886 51
2 0.021 42
… … …
 n 0.225 45

Si se aumenta el numero de replicas, los resultados obtenidos son:

Iteració Media Desviación Error

n
10 48.60 3.41 1.078
100 48.12 3.16 0.316
1000 47.87 3.28 0.104
10000 47.87 3.30 0.033

Ejemplo 2 (Combinación de Variables Aleatorias): la compañía Plásticos de Colombia S.A, se dedica a la

fabricación de productos plásticos y telas vinílicas. En la actualidad, están analizando la posibilidad de
lanzar un nuevo producto llamado impermeable plástico (en colores amarillo y negro). Este producto
puede ser utilizado como protector solar o como recubrimiento para la lluvia por las personas y las
industrias.

Teniendo en cuenta que es un producto nuevo, la gerencia de la compañía ha analizado la situación y ha

encontrado que para fabricarlo se requiere de una maquina especializada, con la que no se cuenta en la
actualidad. Por lo tanto, han definido como alternativa arrendar la maquina que se requiere.

La compañía ha identificado dos modelos de maquinas que se ajustan a las necesidades actuales de
producción de impermeable de color negro y de color amarillo. La primera alternativa es arrendar la
maquina TX-1. Esta maquina tiene una capacidad de producción de 32.000 metros al mes, y su costo de
leasing es de 1.950.000/mes.

La segunda alternativa es arrendar la maquina TX-2. Esta maquina tiene un costo de leasing mas bajo
1.650.000. Su capacidad de producción es mayor (5.000 metros más que la TX-1).

Para estimar el comportamiento de la demanda del nuevo producto, la compañía ha recolectado

información sobre la demanda esperada por mes del impermeable plástico negro y la demanda de
impermeable amarillo, y ha encontrado los siguientes resultados respecto al comportamiento de cada
mercado:

 Color amarillo: mínimo 12.000 metros, máximo 21.000 metros, y valor probable 18.000 metro
 Color negro: entre 17.000 y 23.000 metros.

Adicionalmente, la compañía estima que el precio de venta por metro de impermeable amarillo es de
2.500 y el precio de venta por metro de impermeable negro es de 2.300.

Los costos unitarios asociados con la producción en cada maquina se presentan a continuación:

Costos Variables TX-1 TX-2

Distribución Normal Normal
Media 950 1.100
Desviación Estándar 90 25
¿Qué decisión debe tomar la compañía?

El modelo Conceptual seria:

Ítem Alternativa 1 TX-1 Alternativa 2 TX-2

Arriendo 2.100.000 2.500.000
Servicios 300.000 450.000
Costo Producción Imp Negro
Imp Amarillo
Precio Venta Imp Negro 1.400 1.400
Imp Amarillo 2.300
Metros Demandados Imp Negro
Imp Amarillo
Ganancia Esperada 2.400.000 2.950.000

Resultados obtenidos